[发明专利]一种基于残差分布的手指静脉非法用户识别方法

说明书

本发明公开了一种基于残差分布的手指静脉非法用户识别方法，本方法包括如下步骤：步骤1、根据训练集特征矩阵求解主成份分析降维空间，并将训练集特征矩阵映射到降维空间，得到降维特征矩阵；步骤2、将待测样本降维后的特征向量进行稀疏表示，求解稀疏系数向量，计算待测样本与训练集每类样本的重构残差，映射到1~6数值范围，得到残差权重分布；步骤3、根据Softmax函数计算待测样本归属各类的概率分布；步骤4、针对残差权重分布和待测样本归属各类的概率分布的特点，设定非法用户判决条件，得到非法用户的初步判决结果；步骤5、设定三次容错机制，得到非法用户最终判决结果及合法用户身份识别结果。本方法对非法用户分类的正确率高且速度快。

技术领域

本发明属于生物特征识别领域，涉及一种手指静脉图像分析和处理方法，特别涉及一种基于残差分布的手指静脉非法用户识别方法。

背景技术

手指静脉图像识别因其具有活体性、高稳定性、非接触性等特点，相较指纹识别、人脸识别安全性更高，受到生物特征识别领域研究人员的广泛关注，具有极高的研究价值。手指静脉图像识别过程中的非法用户识别任务是一个二分类问题。手指静脉非法用户识别旨在辨别非法用户和合法用户，目前图像处理常用的分类器有贝叶斯分类器、K近邻分类器、最近邻分类器、支持向量机、Sigmoid函数、Softmax函数和AdaBoost分类器等。

贝叶斯分类器是为平衡不同分类决策与其相对应的决策风险而设计的分类器。其主要原理是假设待测样本服从正态分布，通过待测样本的先验概率求解后验概率，以最大后验概率所属类别为最终分类结果。因此贝叶斯分类器的准确率十分依赖先验信息。

K近邻分类器的主要原理是找出与待测样本特征向量距离最近的K个样本，如果某一类别出现次数最多，则作为待测样本的类别。

最近邻分类器是K近邻分类器的一种特殊形式，即K=1，将特征空间中距离待测样本特征向量最近的样本所属类别判别为待测样本的类别。Sigmoid函数和Softmax函数是神经网络中的激活函数，Softmax函数是Sigmoid函数的扩展形式，将二分类扩展为多分类。

AdaBoost分类器的主要思想是训练若干个弱分类器组合为强分类器。

以上分类器中，贝叶斯分类器分类结果的准确率依赖于先验概率；Sigmoid函数和Softmax函数需要利用距离函数计算类别权值，用于非法用户分类时判决条件为固定阈值，只参考了最小距离信息，非法用户识别准确率依赖于阈值设定；支持向量机和AdaBoost分类器在训练时需要预先知道每一类别的标签，可用于多分类，但由于实际应用中，注册数据库中没有非法用户样本，因此无法用支持向量机和AdaBoost分类器来识别手指静脉非法用户。

综上所述，目前常用的手指静脉非法用户识别方法难以满足实际的应用需求，因此对其进一步的研究具有重要意义。本方法针对手指静脉非法用户识别的准确性问题，结合主成份分析(Principal Component Analysis, PCA)、稀疏表示和Softmax方法，提出了基于残差分布的手指静脉非法用户识别方法。根据稀疏表示后重构残差的权重分布以及图像类别属性的概率分布特征，设计了非法用户分类器的判别条件，识别非法用户和合法用户。

发明内容

为了提高非法用户识别准确率，本发明公开了一种基于残差分布的手指静脉非法用户识别方法，该方法将待测样本和训练集特征矩阵进行PCA降维来减少计算量，利用稀疏表示方法得到待测样本特征的残差权重分布，根据Softmax函数得到待测样本的概率分布，并根据这两种分布的统计分析结果，设定两个非法用户分类判决条件，通过三次容错机制判定待测样本是否为非法用户。本方法对于非法用户识别准确率高且速度快。

本发明的技术解决方案包括如下步骤：

步骤1、根据训练集特征矩阵求解主成份分析降维空间，并将训练集特征矩阵映射到降维空间，得到降维特征矩阵；